2023服務(wù)生成網(wǎng)絡(luò)白皮書

本白皮書版權(quán)屬于網(wǎng)絡(luò)通信與安全紫金山實(shí)驗(yàn)室及其合作單位主要編寫人員排序不分先后）I隨著人工智能技術(shù)的不斷發(fā)展和普及，服務(wù)生成網(wǎng)絡(luò)（Service模態(tài)整合等領(lǐng)域融合，以實(shí)現(xiàn)智能化網(wǎng)絡(luò)服務(wù) I II 1 3 5 5 8 9 1SGN利用意圖驅(qū)動(dòng)網(wǎng)絡(luò)技術(shù)，理解用戶通過自然語言或其他形SGN融合了自動(dòng)化網(wǎng)絡(luò)配置功能，使其能夠根據(jù)生成的服務(wù)和操作軟件接口和編程語言進(jìn)行控制和定制。這種可編程性使得SGN23（1）在網(wǎng)絡(luò)中用大語言模型自動(dòng)化生成網(wǎng)絡(luò)領(lǐng)域所需的生成文（2）在網(wǎng)絡(luò)中采用設(shè)計(jì)大模型，設(shè)計(jì)網(wǎng)絡(luò)協(xié)議、路由（3）在網(wǎng)絡(luò)中用決策大模型，壓縮信息特征并將知識符號化，456（2）優(yōu)化部署：基于意圖需求自動(dòng)生成網(wǎng)絡(luò)部署方案，例如在字孿生網(wǎng)絡(luò)虛實(shí)映射與配置驗(yàn)證特性以及可編程網(wǎng)絡(luò)數(shù)據(jù)平面深度7C3孿生北向接口!B仿真驗(yàn)證2孿生南向接口!C3孿生北向接口!B仿真驗(yàn)證2孿生南向接口!LLaMA GPT-4LLaMA GPT-4PaLMGAI賦能意圖驅(qū)動(dòng)層GAIGAI意圖轉(zhuǎn)譯大型語言模型LLM意圖文本意圖實(shí)體1基礎(chǔ)模型庫GAI大模型訓(xùn)練大型語言模型LLM智能意圖輸入大型決策模型LDM智能方案優(yōu)化知識圖譜強(qiáng)化學(xué)習(xí)深度學(xué)習(xí)生成式AI意圖驅(qū)動(dòng)大型決策模型LDM預(yù)訓(xùn)練重訓(xùn)練微調(diào)X,任務(wù)標(biāo)簽2 流量矩陣M可靠性X成本開銷YXF,(X)Z大型決策模型LDM預(yù)訓(xùn)練重訓(xùn)練微調(diào)X,任務(wù)標(biāo)簽2 流量矩陣M可靠性X成本開銷YXF,(X)Z智能決策生成網(wǎng)絡(luò)協(xié)議網(wǎng)絡(luò)切片按需定制遙測分析智能調(diào)度意圖驅(qū)動(dòng)智能網(wǎng)絡(luò)解決方案智能管控自動(dòng)設(shè)計(jì)GAI優(yōu)化閉環(huán)反饋閉環(huán)反饋 意圖輸入意圖保障意圖保障 意圖驗(yàn)證意圖反饋智能方案下發(fā)1服務(wù)映射模型功能模型3虛擬數(shù)字孿生網(wǎng)絡(luò)迭代調(diào)優(yōu)共享數(shù)據(jù)倉庫用戶業(yè)務(wù)運(yùn)行狀態(tài)數(shù)據(jù)管理數(shù)據(jù)服務(wù)數(shù)據(jù)模型數(shù)據(jù)采集數(shù)字孿生網(wǎng)絡(luò)映射層網(wǎng)絡(luò)規(guī)劃質(zhì)量保障流量建模調(diào)度優(yōu)化拓?fù)淠Ｐ突A(chǔ)模型網(wǎng)元模型意圖反饋智能方案下發(fā)1服務(wù)映射模型功能模型3虛擬數(shù)字孿生網(wǎng)絡(luò)迭代調(diào)優(yōu)共享數(shù)據(jù)倉庫用戶業(yè)務(wù)運(yùn)行狀態(tài)數(shù)據(jù)管理數(shù)據(jù)服務(wù)數(shù)據(jù)模型數(shù)據(jù)采集數(shù)字孿生網(wǎng)絡(luò)映射層網(wǎng)絡(luò)規(guī)劃質(zhì)量保障流量建模調(diào)度優(yōu)化拓?fù)淠Ｐ突A(chǔ)模型網(wǎng)元模型網(wǎng)絡(luò)控制與編排數(shù)字孿生體管理資源調(diào)度用戶管理業(yè)務(wù)適配模型管理意圖管理拓?fù)涔芾戆踩芾鞟高性能可編程數(shù)據(jù)分組處理芯片F(xiàn)PGAA高性能可編程數(shù)據(jù)分組處理芯片F(xiàn)PGAASICNP...MP高效數(shù)據(jù)測量控制指令下發(fā)數(shù)據(jù)平面高性能編程語言深度全可編程網(wǎng)絡(luò)層CPU+SmartNIC/DPU卸載CPU工作負(fù)載低延時(shí)/高速率轉(zhuǎn)發(fā)性能多類基礎(chǔ)設(shè)施操作卸載低成本定制化可編程能力零信任信息安全保護(hù)可編程網(wǎng)絡(luò)交換設(shè)備可編程網(wǎng)絡(luò)端側(cè)設(shè)備可重構(gòu)配置協(xié)議無關(guān)性平臺無關(guān)性軟件定義與硬件加速協(xié)議解析可編程轉(zhuǎn)發(fā)邏輯可編程拿物理網(wǎng)絡(luò)資源可編程存儲安全管理8所示，數(shù)字孿生網(wǎng)絡(luò)映射層基于DTN（digitaltwinnetwork）架構(gòu)[6]9RESTfulAPI來實(shí)現(xiàn)服務(wù)映射模型與意圖驅(qū)動(dòng)層連接，支持映射模型接收智能網(wǎng)絡(luò)方案輸入與抽象化意圖反饋[7][近年來，隨著如ChatGPT等多個(gè)熱門AI生成應(yīng)用的推出，人工價(jià)值與前景。人工智能目前已應(yīng)用于如金融、娛樂、新能源、生成式人工智能（GAI，Generativeartificialintelligence，也稱經(jīng)元）組成，可以通過學(xué)習(xí)輸入數(shù)據(jù)的統(tǒng)計(jì)規(guī)律，來創(chuàng)造新的數(shù)據(jù)，形成創(chuàng)造性的表達(dá)，極大的拓展了人工智能在各個(gè)領(lǐng)域的應(yīng)用前景。生成式人工智能基本原理是通過訓(xùn)練模型來學(xué)習(xí)并預(yù)測數(shù)據(jù)的1）數(shù)據(jù)預(yù)處理：將原始數(shù)據(jù)轉(zhuǎn)換為模型可處理的格式，如將文2）模型訓(xùn)練：使用訓(xùn)練數(shù)據(jù)來訓(xùn)練生成式人工智能模型，通常3）數(shù)據(jù)生成：在訓(xùn)練完成后，生成式人工智能模型可以通過輸網(wǎng)提供設(shè)備和用戶終端的連接，確保數(shù)據(jù)能夠順利傳輸?shù)綌?shù)第四步是推理與生成，分別是內(nèi)容生成、用戶輸入和內(nèi)容推理。生成過程中的重要組成部分，內(nèi)容推理對是推理與生成結(jié)果Transformer是一種序列建模方法，可應(yīng)用于自然語言和視覺處上下文信息[23]。多頭注意力機(jī)制通過并行計(jì)算多個(gè)注解碼器、學(xué)習(xí)的條件、采樣階段和去噪階段在DiffusionModel中，條件編碼器采用的是CLIP(ContrastiveDiffusionModel可以在生成和去噪階段中利用圖像和文本的語義信息，實(shí)現(xiàn)更準(zhǔn)確和有語義一致性的圖像生成[47]逐步恢復(fù)圖像的空間尺寸，并生成分割結(jié)果。UNet的作用主要（1）實(shí)體和關(guān)系：知識圖譜中的實(shí)體是各種與服務(wù)生成相關(guān)的（2）多模態(tài)信息：知識圖譜不僅包含文本信息，還可以包含圖（3）知識融合：知識圖譜是從各種數(shù)據(jù)源和知識庫中整合得到（4）語義表示：知識圖譜采用語義化的表示方式，使用RDF知識圖譜在SGN中充當(dāng)了信息整合和語義理解的橋梁，它為SGN提供了強(qiáng)大的知識管理和推理能力。通過不斷豐富和完善知識（NLP）和機(jī)器學(xué)習(xí)，旨在實(shí)現(xiàn)更智能、更個(gè)性化的網(wǎng)絡(luò)服務(wù)體驗(yàn)。言輸入，從中識別出用戶的意圖。例如，用戶可能提出史行為（在用戶授權(quán)情況下為每個(gè)用戶提供定制化的服務(wù)。它能意圖驅(qū)動(dòng)網(wǎng)絡(luò)技術(shù)在各個(gè)領(lǐng)域都有廣泛的應(yīng)用，使得網(wǎng)絡(luò)服務(wù)變得更加智能化、個(gè)性化，滿足用戶不斷變化的需首先，用戶輸入自然語言意圖文本，其中包含網(wǎng)絡(luò)設(shè)計(jì)從最基本的層面上講，可以使用標(biāo)準(zhǔn)CLI命令和參數(shù)來自動(dòng)化以將命令列表編譯成文本文件（稱為Shell腳本從而通過一個(gè)執(zhí)可以從應(yīng)用的前端選擇、調(diào)度和執(zhí)行這些程序。例如，紅帽AnsibleSGN采用大型語言模型或者大型決策模型完成命令行自動(dòng)化和時(shí)，對LLM訓(xùn)練網(wǎng)絡(luò)配置Bash命令，當(dāng)LLM具備網(wǎng)絡(luò)配置泛化能力的時(shí)候，并在孿生體中測試驗(yàn)證符合一定指標(biāo)預(yù)期，可通過LLM（2）Netconf服務(wù)器實(shí)現(xiàn)：實(shí)現(xiàn)一個(gè)Netconf服務(wù)器，用于處理Netconf服務(wù)器將接收客戶端的配置請求，并通過大語言模型將其轉(zhuǎn)（6）網(wǎng)絡(luò)拓?fù)涔芾恚喝绻笳Z言模型部署在多個(gè)服務(wù)器上，可（7）安全性考慮：在配置網(wǎng)絡(luò)時(shí)，需要考慮安全性問題。確保Netconf服務(wù)器和客戶端之間的通信是加密的，只有授權(quán)用戶才能進(jìn)行配置操作。此外，還可以限制對敏感配置的訪問權(quán)限。數(shù)字孿生網(wǎng)絡(luò)是一種將現(xiàn)實(shí)世界中的物理實(shí)體或系統(tǒng)映射到虛參數(shù)所構(gòu)成的虛擬模型。通過數(shù)字孿生網(wǎng)絡(luò)，我們可以實(shí)時(shí)地?cái)?shù)字孿生網(wǎng)絡(luò)的構(gòu)建首先需要測量現(xiàn)實(shí)世界物理實(shí)體或系統(tǒng)的數(shù)據(jù)測量的頻率和精度對數(shù)字孿生網(wǎng)絡(luò)的質(zhì)量和實(shí)時(shí)性至關(guān)重實(shí)際數(shù)據(jù)的對比來完成，從而提高數(shù)字孿生網(wǎng)絡(luò)的準(zhǔn)確性可視化分析工具可以幫助用戶深入挖掘數(shù)字孿生網(wǎng)絡(luò)的數(shù)據(jù)和網(wǎng)絡(luò)可編程能力主要體現(xiàn)在軟件定義網(wǎng)絡(luò)（SDN，software-definednetworking）的控制平面，數(shù)據(jù)平面可編程性受限，成為制約網(wǎng)絡(luò)性口并進(jìn)行管理，實(shí)現(xiàn)網(wǎng)絡(luò)功能的按需管控與新業(yè)務(wù)快速部署。例如OpenFlow協(xié)議[1]可定義控制器與轉(zhuǎn)發(fā)設(shè)相關(guān)研究采用軟件編程方式設(shè)定數(shù)據(jù)分組的處理流程并在芯片中編對轉(zhuǎn)發(fā)行為的定義，完成訪問控制列表（ACL,accesscontrollist）過可編程[2]。服務(wù)生成網(wǎng)絡(luò)（ServiceGenerationNetwork，SGN）結(jié)合了P4程技術(shù)，為網(wǎng)絡(luò)提供了更高度定制化和靈活性的全可編程解決方案。P4是一種面向數(shù)據(jù)包處理器的可編程語言，它使網(wǎng)絡(luò)管理員能流程和操作行為。SGN可以利用這一特性，根據(jù)用戶請求和服務(wù)類根據(jù)特定需求和應(yīng)用場景定制和編程交換機(jī)的數(shù)據(jù)包處理和流轉(zhuǎn)規(guī)和可定制的功能。盒交換機(jī)在一些特定場景下可能更適合專業(yè)的網(wǎng)絡(luò)管理團(tuán)隊(duì)和網(wǎng)絡(luò)網(wǎng)卡則在網(wǎng)卡上集成了更多的處理能力，如數(shù)據(jù)包處理、流DPU（DataProcessingUnit）是一種專門它們?yōu)榉?wù)生成網(wǎng)絡(luò)的全可編程性和智能化提供了重要的技術(shù)支持。SGN的發(fā)展將趨向于更大的靈活性和定制化。全可編程網(wǎng)絡(luò)基通過實(shí)時(shí)監(jiān)測網(wǎng)絡(luò)狀態(tài)，SGN可以動(dòng)態(tài)地調(diào)整端到端服務(wù)生成的策SGN的發(fā)展將促進(jìn)開放標(biāo)準(zhǔn)和協(xié)議的制定，使得不同廠商的設(shè)體（Agent）與環(huán)境（Environment）進(jìn)行交互，從而學(xué)習(xí)如智能體策略迭代動(dòng)作智能體策略迭代環(huán)境狀態(tài)，獎(jiǎng)勵(lì)高訓(xùn)練效率和穩(wěn)定性，最終實(shí)現(xiàn)對復(fù)雜任務(wù)的高效學(xué)習(xí)和決策能力。網(wǎng)絡(luò)優(yōu)化問題是在計(jì)算機(jī)網(wǎng)絡(luò)中尋找最優(yōu)解或最佳配置的挑戰(zhàn)常見的網(wǎng)絡(luò)拓?fù)溆行切屯負(fù)?、總線拓?fù)?、樹狀拓?fù)涞?，如下圖所示。(a)星型拓?fù)?b)總線拓?fù)渚W(wǎng)絡(luò)拓?fù)鋬?yōu)化方法難以取得最優(yōu)效果。DRL可以學(xué)習(xí)如何在給定的直接影響網(wǎng)絡(luò)性能。常見的路由規(guī)劃算法包括靜態(tài)路由、動(dòng)態(tài)路由、源節(jié)點(diǎn)具有很強(qiáng)的自適應(yīng)性和擴(kuò)展性，使得算法能夠根據(jù)實(shí)時(shí)的網(wǎng)絡(luò)狀態(tài)，網(wǎng)絡(luò)控制器網(wǎng)絡(luò)狀態(tài)上傳路由下發(fā)源節(jié)點(diǎn)源節(jié)點(diǎn)在流量調(diào)度中，網(wǎng)絡(luò)控制器根據(jù)數(shù)據(jù)流的目標(biāo)地址、鏈路負(fù)載、的數(shù)據(jù)傳輸路徑，避免網(wǎng)絡(luò)擁塞和沖突。常見的流量調(diào)度算法包括：者根據(jù)專家經(jīng)驗(yàn)提前編輯不同情況下的流量調(diào)度方法，缺乏靈活性，源節(jié)點(diǎn)基于DRL的集中式網(wǎng)絡(luò)控制器▲網(wǎng)絡(luò)狀態(tài)上傳流量調(diào)度策略下發(fā)▲源節(jié)點(diǎn)▲源節(jié)點(diǎn)上述基于深度強(qiáng)化學(xué)習(xí)和大語言模型的網(wǎng)絡(luò)技術(shù)可以用來實(shí)現(xiàn)網(wǎng)絡(luò)需求和環(huán)境。DRL在網(wǎng)絡(luò)優(yōu)化領(lǐng)域的未來發(fā)展趨勢將朝著更智快速實(shí)現(xiàn)網(wǎng)絡(luò)擴(kuò)展。SGN網(wǎng)絡(luò)設(shè)備可靈活自動(dòng)配置，降低復(fù)雜SGN支持多樣化服務(wù)部署如語義編解碼其多維度分析能力和專業(yè)規(guī)劃工具的支持，實(shí)現(xiàn)網(wǎng)絡(luò)的全面優(yōu)化。員快速有效地實(shí)施網(wǎng)絡(luò)優(yōu)化，提升網(wǎng)絡(luò)性能和用系統(tǒng)和衛(wèi)星通信系統(tǒng)已無法有效滿足廣域智慧連接和全球泛在無縫線網(wǎng)絡(luò)具有網(wǎng)絡(luò)異質(zhì)異構(gòu)、空中節(jié)點(diǎn)高度動(dòng)態(tài)、拓?fù)浣Y(jié)構(gòu)復(fù)雜易變、服務(wù)生成網(wǎng)絡(luò)通過生成式人工智能關(guān)鍵技術(shù)可以為空地協(xié)同無為用戶推薦出合理的服務(wù)需求方案可以減少用戶服務(wù)需求變更能網(wǎng)絡(luò)優(yōu)化，包括在對智能網(wǎng)絡(luò)運(yùn)行狀況有充分?jǐn)?shù)據(jù)支撐的前提下，絡(luò)優(yōu)化依賴維護(hù)人員經(jīng)驗(yàn)以及生產(chǎn)商所提供的一些智能網(wǎng)絡(luò)優(yōu)化工云計(jì)算存儲優(yōu)化等常見問題根據(jù)決策模型生成網(wǎng)絡(luò)資源優(yōu)化配置方深度學(xué)習(xí)技術(shù)（LLM或GAN）和真實(shí)流量數(shù)據(jù)，驗(yàn)證。同時(shí)，保障網(wǎng)絡(luò)數(shù)據(jù)的隱私和安全也是極其重要的考慮因素。接收端的語義解碼系統(tǒng)采用大語言模型基于收到的信息重新生成文系統(tǒng)架構(gòu)系統(tǒng)架構(gòu)語義信道物理信道發(fā)送器接收器語義編解碼wentthroughmultiplecyclesofoandlossoffunding,butafter2012,whendeepreviousAItechniques,therewasavastiA1(LLM):Certainly!Here'sacompactpromptthatcanbeusedtorecovertheoriginaltext:Adisappointment,fundinglosprevioustechniques,leadingtovastfundingincrease.“Artificialintelligencewasfoundedasanacademicdisciplinein1956.Overtheyears,thefieldwentthroughmultiplecyclesofoptimism,followedbydisappointmentandlossoffunding.However,afterthebreakthroughsin2012,specificallywiththesuccessofdeeplearningsurpassingallpreviousAItechniques,therewasasigincreaseinfundingandinterestinthefieldofAI.”設(shè)計(jì)服務(wù)生成網(wǎng)絡(luò)的智能異構(gòu)設(shè)備接入方案需要結(jié)合大語言模經(jīng)過學(xué)習(xí)和訓(xùn)練后，LLM能夠理解并解析各廠商設(shè)備的操作指開發(fā)設(shè)備管理系統(tǒng)，實(shí)現(xiàn)對接入的異構(gòu)設(shè)備的集中管理和監(jiān)控。智能異構(gòu)設(shè)備接入方案可以極大地提高設(shè)備接入的效率和精確設(shè)備商SDN同化SDN控制器LLMLLM解析器初級設(shè)備模型驗(yàn)證器配置文件統(tǒng)一設(shè)備模型CLI數(shù)字孿生網(wǎng)絡(luò)的模擬和預(yù)測能力為智能決策提供了強(qiáng)有力的支智能網(wǎng)絡(luò)管理控制是一種利用先進(jìn)技術(shù)和智能算法來實(shí)現(xiàn)網(wǎng)絡(luò)孿生體在租戶授權(quán)的情況下，獲取租戶的真實(shí)環(huán)境數(shù)據(jù)和配置參數(shù)。請?jiān)O(shè)定1個(gè)切片：云節(jié)點(diǎn)2和接入點(diǎn)1連接,帶寬10Gbps請?jiān)O(shè)定1個(gè)切片：云節(jié)點(diǎn)2和接入點(diǎn)1連接,帶寬10Gbps，需要流量保護(hù)接入2到云2，2Gbps，強(qiáng)制切片流量保護(hù)網(wǎng)絡(luò)切片場景微調(diào)后的LLM我的接入點(diǎn)是3，我需要切片連接到云節(jié)點(diǎn)1，帶寬為5G，無需保護(hù)帶寬10Gbps5Gbps2Gbps切片云節(jié)點(diǎn)云節(jié)點(diǎn)2云節(jié)點(diǎn)1云節(jié)點(diǎn)2切片接入點(diǎn)接入點(diǎn)1接入點(diǎn)3接入點(diǎn)2流量保護(hù)是否是55Gbps12Gbps210Gbps云2接入31在這樣的背景下，網(wǎng)絡(luò)運(yùn)營商面臨著前所未有的故障自愈挑戰(zhàn)。將生成的偽造流量數(shù)據(jù)與真實(shí)流量數(shù)據(jù)一起輸入判別模型進(jìn)行該智能異常流量攻擊檢測用例利用了生成對抗網(wǎng)絡(luò)的生成能力的解決方案往往采用數(shù)據(jù)并行或模型并行的方式將計(jì)算任務(wù)劃分成效的跨異構(gòu)算力平臺的通用化大模型訓(xùn)練是服務(wù)生成網(wǎng)絡(luò)領(lǐng)域的一索的問題。針對大模型在工程應(yīng)用中存在訓(xùn)練時(shí)間長、推理效率低、技術(shù)等，而常用的加速技術(shù)包括梯度壓縮、避免跨機(jī)通訊等。此外，大模型的高效推理是實(shí)現(xiàn)工程應(yīng)用落地的關(guān)鍵所在。相對訓(xùn)練環(huán)節(jié)，存帶寬，所以不僅要在保證低延遲的前提下，盡可能節(jié)省計(jì)算資源，部署階段可以通過分布式推理、批量推理、算子融合、硬件加速等，人工智能的普惠目標(biāo)是讓每個(gè)人都能享受到智能技術(shù)帶來的便人臉識別、機(jī)器翻譯等。然而，邊緣設(shè)備也有計(jì)算能力、存儲空間、型的多次輸出去獲取訓(xùn)練過程中使用過的數(shù)據(jù)的分布實(shí)現(xiàn)數(shù)據(jù)竊取規(guī)和監(jiān)管政策，確保數(shù)據(jù)的合規(guī)性，以避免違反國家相關(guān)法通過大型語言模型或者大型決策模型以自動(dòng)化方式生成各種類型的GenerativeartificialintDeepreinforcementlearNACNetworkautomaticconfigurationNTGNetworktrafficgeneratiHeterogeneousdeviceNSS[1]N.McKeown,T.Anderson,innovationincampusnetwor[4]KaljicE.,MaricA.,NjemcevicP.,etal.Aprogrammabilityinsoftware-definednetworking[J].IEEEAccess,2019,technologies,challenges,trendsandfutureprospects[J].IEEECommunicat[7]GroshevM,Guimar?esC,Martín-PérezJ,etal.Towardintelligentcyber-physsystems:Digitaltwinmeetsartificialintelligence[J].IEE[8]AlmasanP,Ferriol-GalmésM,PaillisseJ,etal.NetworkDigitalTwin:CoEnablingTechnologies,andOpportunities[J[9]ZhaoWX,ZhouK,LiJ,etal.Asurveyoflargelanguagemodels.arXivpreprintProblems,methods,andopportunities.arXivpreprintarXiv:2303.0412[11]WenM,LinR,WangH,etal.LargeSequenceModelsforSeqMaking:ASurvey.arXNetworkTraffic.arXivpreprintarXiv:2[13]ChowdheryA,NarangS,DevlinJ,etal.Palm:Scalinglanguagemodelingwithpathways.arXivpreprintarXiv:2204.languagemodels.arXivpreprintarXiv:2302.1397[17]Tu??e?elik.2023.TheRoleofArtificialIntelligenceforTheArchitecturalPlanDesign:AutomationinDecision-making.InProceedingsofthe20238th/10.114[18]RAYLC.2023.HUMANENOUGH:AinSpeculativeClimateFutures.InProceeCreativityandCognition(C&C’23).Associati[19]SangjunLee,DonggeunKo,JinyongPark,SaebyeolShin,DongheeHong,andSimonS.Woo.2022.DeepfakProceedingsofthe1stWorkshoponSecurityUSA,27–30./10.1145/[20]N.NguyenandS.Nadi,"AnEmpiricalEvaluaSoftwareRepositories(MSR),Pittsburgh,PA,USA,2022,pp.05(008).DOI:10.28468/ki.njsjb.2023.000100.[22]XuM,DuH,NiyatoD,etal.Unleashingthepowerofedge-cloudgenerativeAIinmobilenetworks:AsurveyofAIGCservices.arXivprep[23]VaswaniA,ShazeerN,ParmarN,etal.Attentionisallyouneed[C].Advancesinneuralinformationprocessingsystems,2017,30.20[2023-07-06]./kBasedonMulti-AttentionU-Net,”IEEEAccess,vol.9,pp.13304-13313,2021,[26]李華旭.基于RNN和Transformer模型材料,2021,22(12):7-10.DOI:10.16009/13-1295/tq.2021.12.081.StableDiffusionforContent-StyleDisentangleProceedingsofthe2023ACMInternationalConferenceonMultimediaRetrieval[28]J.ShaoandX.Li,“GeneralizedZero-ShotGaussianMixtureVAE,”IEEESignalProcessingLetters,vol.27,pp.456-460,MiaomiaoCui,XuansongXie,Xian-ShengHua,andChunyanMiao.2TowardsCounterfactualImageManACMInternationalConferenceonMultimedia(MM'22).Association/10.114[30]J.S.Surietal.,“UNetDeepandNon-VascularImages:AMWithPruning,ExplainableArtificialIntelligence,andBias,”IEE11,pp.595-645,2023,doi:10.1109/ACCESS.2022.3232561.[31]吳畏虹.軟件定義骨干網(wǎng)段路由技術(shù)研究.北京郵電大學(xué),2021.DOI:10.26969/ki.gbydu.2021.000091.networkarchitecturebasedonspace-air-groundintegratednetwork,”209thInternationalConferenceonCommunicationS(ICCSN),Guangzhou,China,2017,pp.798-803,doi:[33]BenjaminSliwa,ManuelPatchou,KarstenHeim2020.SimulatingHybridAandLIMoSim.InProceedingsofthe2020Workshoponns-3(WNS3'20)./10.114[34]ZhangZ,MuX,TuC,etal.Hierarchicalnetworkplanningofdistributedrenewableenergyinalearning[C].Proceedingsofthe2021ACMSIGCOMM2021Conference.202[36]秦宏志.空地協(xié)同網(wǎng)絡(luò)的智能緩存機(jī)制研究[D].沈陽航空航天大學(xué),2022.DOI:10.27324/ki.gshkc.2022.000373.[37]Garrido-HidalgoC,HortelanoD,Roda-SanchezL,etal.IoTheterogeneounetworkdeploymentforhuman-in-the-loopchallengestowardsasociasustainableIndustry4.0[J].IEEEAc[38]DanielRozhkoandPaulChow.2019.TheNetworkSecuringNetworkAccessforDirect-ConnectedFPGAs.InProceedingsofthe2019ACM/SIGDAInternationalSArrays(FPGA'19).Associationfo232–241./10[39]D.Irawan,N.R.Syambas,A.A.N.AnandaKusumaandE.Mulyana,“NetworkApplications(TSSA,Bandung,Indonesia,2020,pp.1-5,doi:basedsyntheticIPheadertracegenerationusingnetshare.InProceedingsoftheACMSIGCOMM2022Conference(pp.458-472).[42]Chen,Huangxun,etal."Software-definednetworkassimilation:brimiletowardscentralizednetworkconfigurationmanagementwithNAssim."ProceedingsoftheACMSIGCOMM2022Conference.[43]Chen,Y.,Li,R.,Zhao,Z